Les stratégies de recommandation fournissent la logique appliquée à la sélection des articles pour vos recommandations Web et mobiles. La stratégie détermine les articles à afficher depuis votre flux en fonction d’un algorithme que vous sélectionnez et de tout filtre supplémentaire que vous définissez pour inclure ou exclure des articles spécifiques.
- Pour les sites Web, accédez aux stratégies dans Assets (Ressources) › Strategies (Stratégies).
- Pour les sites mobiles, accédez aux stratégies dans App Personalization (Personnalisation de l’application) › Recommendations (Recommandations).
Élaborer une stratégie
Paramètres | Description |
---|---|
Nom, notes et étiquettes | Ces paramètres vous aident à organiser et à étiqueter vos stratégies, mais n’en affecte pas la performance ou le comportement de quelque manière que ce soit. Pour en savoir plus, consultez l’article Notes et étiquettes. |
Algorithme | Les algorithmes déterminent les articles à recommander (tels que les plus populaires, ceux que l’utilisateur a consultés dans le passé, etc.). Pour plus de détails, consultez l’article Algorithmes. |
Mélanger les résultats | Pour de meilleurs résultats de recommandation, vous pouvez paramétrer le widget pour qu’il renouvelle les articles à chaque consultation de page. Récupérez plus de produits que demandé et sélectionnez un sous-ensemble aléatoire de ces produits (4 fois le nombre d’articles demandés, pour un maximum de 50, sont sélectionnés et mélangés). Par exemple, si le widget a 4 emplacements, au lieu d’afficher les 4 produits les plus populaires à chaque consultation, affichez 4 produits parmi les 16 les plus populaires. La sélection est aléatoire, avec des pondérations basées sur le produit. Ceci est disponible pour les algorithmes de Collaborative Filter (Filtrage collaboratif) et de popularité.. |
Filtres | Un ensemble de règles d’exclusion/inclusion :
Remarque : les catégories sont sélectionnées uniquement dans le filtre désigné et non dans le filtre des propriétés. Pour plus de détails, consultez l’article Filtres de Recommandations |
Activater à l’aide d’une API |
Utilisez une API côté client pour obtenir les recommandations de Dynamic Yield et effectuez un rendu du widget avec votre CMS. Cette option vous permet également d’utiliser des filtres en temps réel pour affiner les résultats sur la base des données obtenues au cours de la session (par exemple, montrer des produits dont le prix est supérieur à celui du produit actuellement consulté, ou présenter des produits en fonction de la sélection explicite du visiteur). Pour plus de détails, consultez l’article API de recommandations côté client. |
Règles de filtre personnalisées |
Filtres supplémentaires que vous pouvez appliquer en fonction des propriétés du produit, pour tous les widgets ou à la somme d’entre eux :
Pour plus de détails, consultez l’article Règles de filtrage personnalisé des recommandations |
Algorithmes
Dynamic Yield offre une large gamme d’algorithmes, adaptés à divers cas d’utilisation.
Algorithme | Description |
---|---|
Automatic (Automatique) |
Laissez Experience OS sélectionner le meilleur algorithme pour vous en fonction des meilleures pratiques pour le type de page que vous sélectionnez. Algorithmes par type de page :
|
Similarity (Similitude) | Recommande des articles similaires à l’article actuellement affiché, en tenant compte de la popularité des articles. L’algorithme utilise des catégories et des mots-clés du flux de produits pour noter les similitudes entre les articles, attribuant des scores plus élevés à des mots-clés rares partagés entre une paire de produits et des scores inférieurs à des termes plus courants. Cet algorithme est adapté pour les pages de produits/publications. Les scores de similitude sont recalculés chaque fois que le flux produit est mis à jour. |
Visual Similarity (Similitude visuelle) | Un algorithme de recommandation basé sur le deepl learning conçu pour identifier et recommander des articles qui sont visuellement similaires à celui actuellement affiché, correspondant à des choses que l’utilisateur ne peut pas décrire et que les spécialistes du marketing n’ont pas tagué dans les métadonnées. |
Viewed Together (Vus ensemble) |
Recommande les articles qui ont été consultés au cours de la même session que l’article actuellement affiché. Cela note les articles en fonction du nombre d’occurrences au cours desquelles ils ont été visualisés ensemble dans la même session, mais rétrograde ceux qui sont généralement affichés avec de nombreux autres articles, ce qui implique un lien plus faible. Les scores sont recalculés toutes les 24 heures. Cet algorithme est adapté pour les pages de produits/publications. |
Purchased Together (Achetés ensemble) |
Recommande les produits qui ont été achetés avec l’article actuellement affiché. Cela note les articles en fonction du nombre d’occurrences au cours desquelles ils ont été achetés ensemble dans la même transaction, mais rétrograde les produits qui sont généralement achetés avec de nombreux autres articles. Par conséquent, il recommande des produits qui sont fortement liés les uns aux autres plutôt que des produits qui ont un lien arbitraire avec un produit populaire. Les recommandations sont basées sur les données des six derniers mois. Les scores sont recalculés toutes les 24 heures. Cet algorithme est adapté aux pages de produits et de panier, et n’est pas disponible pour les sections des médias ou des institutions financières. |
Purchased Together Offline (Achetés ensemble hors ligne) |
Recommande des produits qui ont été achetés hors ligne avec l’article actuellement affiché. Il note les articles en fonction du nombre de fois où ils ont été achetés ensemble dans la même transaction tout en rétrogradant ceux qui sont généralement achetés avec beaucoup d’autres articles. Par conséquent, il recommande des produits qui sont fortement liés les uns aux autres plutôt que des produits qui ont un lien arbitraire avec un produit populaire. Les scores sont recalculés toutes les 24 heures. Cet algorithme convient aux pages de produits et n’est pas disponible pour les sections des médias ou des institutions financières. Cet algorithme nécessite l’importation de offline purchase data. Pour plus de détails, contactez votre Customer Success Manager. |
Purchased Together Offline or Online (Achetés ensemble hors ligne ou en ligne) |
Recommande les produits qui ont été achetés hors ligne ou en ligne avec l’article actuellement affiché. Il note les articles en fonction du nombre de fois où ils ont été achetés ensemble dans la même transaction tout en rétrogradant ceux qui sont généralement achetés avec de nombreux autres articles. En conséquence, il recommande des produits qui sont fortement liés les uns aux autres plutôt que des produits qui ont un lien arbitraire avec un produit populaire. Les scores sont recalculés toutes les 24 heures. Cet algorithme convient aux pages de produits et n’est pas disponible pour les sections des médias ou des institutions financières. Cet algorithme nécessite l’importation de données d’achat hors ligne. Pour plus de détails, contactez votre Customer Success Manager. |
Popularité |
Note les articles en fonction de la somme pondérée de toutes les interactions – telles que les achats en ligne et hors ligne, l’ajout au panier et les vues de produit – en avantageant les interactions récentes par rapport aux interactions historiques. Les scores sont recalculés à chaque mise à jour du flux de produits. Cet algorithme convient à tous les types de pages. |
Most Popular in Category (Les plus populaires dans la catégorie) |
Renvoie les articles par popularité, mais n’inclut que les articles de la catégorie spécifiée dans le contexte de la page de catégorie. Les scores sont mis à jour chaque fois que le flux de produits est mis à jour. Cet algorithme ne convient que pour les pages de catégorie dans les sites de médias. Il n’est pas disponible pour les sections des institutions financières. |
Popular in location (Populaires dans l’emplacement) |
Attribuez des scores aux articles en calculant une somme pondérée des interactions qui se sont produites au cours des 30 derniers jours dans un endroit spécifique. Les actions comprennent les achats, l’ajout au panier et l’affichage des produits. « Emplacement » fait référence à une sous-division au sein de l’adresse IP d’un pays, qui peut correspondre à diverses régions administratives telles que des provinces ou des États, en fonction de la structure régionale du pays (vous pouvez contacter le support pour obtenir une liste d’emplacements pour vos pays). |
Recently Viewed (Vus récemment) | Recommande les derniers articles consultés par l’utilisateur actuel (les plus récents apparaissent en premier). Les recommandations sont basées sur les données des 90 derniers jours. Contrairement à d’autres algorithmes, celui-ci présente les articles en rupture de stock. L’algorithme est mis à jour en temps réel, chaque fois qu’il y a une nouvelle demande de recommandation. |
Viewed with Recently Viewed (Vus avec Vus récemment) | Articles qui sont généralement consultés dans la même session que les derniers articles affichés par l’utilisateur actuel. |
Recently Purchased (Achetés récemment) |
Les derniers articles achetés par l’utilisateur actuel (le plus récent apparaît en premier). Les résultats sont basés sur les données de l’année écoulée. L’algorithme est mis à jour en temps réel, chaque fois qu’il y a une nouvelle demande de recommandation. Cet algorithme n’est pas disponible pour les sections des médias ou des institutions financières. |
Recently Submitted (Soumis récemment) |
Les dernières demandes soumises par l’utilisateur actuel (les plus récentes apparaissent en premier). Les résultats sont basés sur les données de l’année écoulée. L’algorithme est mis à jour en temps réel, chaque fois qu’il y a une nouvelle demande de recommandation. Cet algorithme n’est pas disponible pour les sites de médias ou d’e-commerce. |
Purchased with Recently Purchased (Achetés avec Récemment achetés) |
Articles qui sont généralement achetés avec les derniers articles achetés par l’utilisateur actuel. Cet algorithme n’est pas disponible pour les sections des médias ou des institutions financières. |
Last Purchase (Dernier achat) |
Présente le contenu du panier de l’achat le plus récent par l’utilisateur actuel. L’algorithme est mis à jour en temps réel, chaque fois qu’il y a une nouvelle demande de recommandation. Cet algorithme n’est pas disponible pour les sections des médias ou des institutions financières. |
Recently Submitted (Soumis récemment) |
Présente la demande la plus récente soumise par l’utilisateur. L’algorithme est mis à jour en temps réel, chaque fois qu’il y a une nouvelle demande de recommandation. Cet algorithme n’est pas disponible pour les sites de médias ou d’e-commerce. |
Purchased with Recently Purchased (Achetés avec Récemment achetés) |
Articles qui sont généralement achetés avec des articles dans le dernier achat par l’utilisateur actuel. Cet algorithme n’est pas disponible pour les sections des médias ou des institutions financières. |
User Affinity (Affinité de l’utilisateur) |
Personnalisé pour chaque utilisateur individuel et note les articles en fonction des préférences de l’utilisateur et de la popularité de l’article. L’algorithme fonde sa recommandation sur les interactions du visiteur avec les articles (vues, ajouts au panier, achats en ligne et hors ligne) et leurs scores pondérés. Ensuite, il analyse les attributs des produits (marque, couleur, style, catégorie, etc.) et calcule le profil d’affinité de l’utilisateur. La stratégie fonctionne en temps réel et peut détecter les changements de préférences au fil du temps. Cet algorithme convient à tous les types de pages. |
Collaborative Filtering (Filtrage collaboratif) |
Articles consultés, achetés ou ajoutés au panier par des utilisateurs qui sont similaires à l’utilisateur actuel. Cet algorithme convient à tous les types de pages, mais n’est pris en charge que pour les petits flux (moins de 50 000 produits). Les scores sont recalculés toutes les 24 heures. Cet algorithme n’est pas disponible pour les sites de médias. Il est disponible pour sélectionner des clients utilisant des sites d’e-commerce sur demande à votre Customer Success Manager. |
Deep Learning (Apprentissage profond) |
Prédit l’article suivant avec lequel un utilisateur est le plus susceptible d’interagir sur la base de modèles d’engagement similaires de vos utilisateurs dans la même locale. L’algorithme est mis à jour en temps réel, chaque fois qu’il y a une nouvelle demande de recommandation. Cet algorithme est disponible pour les types de pages suivants : Page d’accueil, Catégorie et Tout, pour les clients avec des sections d’e-commerce. Pour plus de détails, contactez votre Customer Success Manager. |
Certains des algorithmes sont pertinents pour des types de pages spécifiques (par exemple, la similitude n’est pas pertinente pour les recommandations de la page d’accueil), de sorte que la liste se met à jour après avoir sélectionné un type de page.
Remarque : les algorithmes sélectionnent un « leader » à afficher depuis chaque ensemble group-id, qui a le score le plus élevé tel que déterminé par l’algorithme. Cela n’est pas pertinent pour les algorithmes Vus récemment ou Achetés récemment qui affichent le SKU consulté\acheté par l’utilisateur, même s’il y a une rupture de stock. Cela n’est également pas pertinent pour les produits épinglés .
Fallbacks (Replis)
Si la stratégie renvoie moins d’articles que le nombre d’emplacements du widget, les attributs « inclure uniquement les articles avec des propriétés similaires » et « exclure les articles avec des propriétés similaires » sont progressivement ignorés.
Par exemple, si la stratégie consiste à ne présenter que des articles de la même couleur, et qu’il n’y a pas d’articles de la même couleur – le filtre est ignoré et le widget remplit tous les emplacements. Si le filtre comprend plusieurs attributs (par exemple, recommander uniquement des articles de même couleur et catégorie), les attributs sont progressivement ignorés – d’abord en ignorant la catégorie (car c’est le dernier attribut de la liste), et seulement alors, s’il n’y a toujours pas assez d’articles à présenter, le filtrage « couleur » est ignoré.
En outre, certaines recommandations peuvent entraîner un repli pour des raisons qui ne sont pas liées au filtre. Par exemple, Affinité de l’utilisateur pour les utilisateurs sans comportement passé, ou Vus ensemble pour les articles qui n’ont jamais été visualisés avec d’autres articles dans la même session. Pour ces cas, c’est la logique de repli :
- Affinité de l’utilisateur → Vus avec Vus récemment → Popularité (résultats mélangés)
- Filtrage collaboratif → Affinité de l’utilisateur → Vus avec Vus récemment → Popularité (résultats mélangés)
- Similitude → Vus avec Vus récemment → Popularité (résultats mélangés)
- Achetés ensemble → Vus ensemble (pages panier et produit) → Similitude (pages panier et produit) → Popularité (résultats mélangés)
- Vus ensemble → Similitude → Popularité (résultats mélangés)
- Vus avec Vus récemment → Vus ensemble (pages panier et produit) → Popularité (résultats mélangés)
- Achetés avec le dernier achat → Achetés ensemble → Vus avec Vus récemment → Vus ensemble (pages panier et produit) → Similitude (pages panier et produit) → Popularité (résultats mélangés)
- Achetés avec Achetés récemment → Achetés ensemble → Similitude (pages panier et produit) → Popularité (résultats mélangés)
- Deep Learning → Affinité de l’utilisateur → Vus avec Vus récemment → Popularité (résultats mélangés)
Remarques :
- Les stratégies suivantes n’ont pas de solution de repli : Vus récemment, Dernier achat et Achetés récemment.
- Les solutions de repli ne remplacent pas un filtre de propriétés de produit. Par exemple, si vous avez exclu des produits ayant une propriété « d’un genre différent » que le produit actuellement consulté, nous respecterons la contrainte même s’il n’y a pas assez de produits à afficher dans tous les emplacements disponibles. Cependant, s’il n’y a pas d’articles basés sur le filtre, nous supprimerons le dernier filtre et l’ignorerons pour empêcher le widget de fournir un contenu vide.
Dimensions des propriétés et des catégories
Les widgets de recommandation qui se chargent sur les pages de produit ou de publication peuvent être assujettis à des dimensions qui dictent que les recommandations doivent avoir ou non des propriétés communes avec l’article actuellement affiché sur la page. Trois dimensions éliminent la nécessité d’appliquer des règles d’inclusion ou d’exclusion et sont plus flexibles, car les valeurs de propriété n’ont pas besoin d’être spécifiées explicitement, mais doivent plutôt correspondre ou non à la valeur de la propriété actuelle de l’article affiché. Si nous ne trouvons pas suffisamment de produits correspondant à cette propriété, nous supprimons la dernière dimension de la liste donnée et l’ignorons afin d’éviter les widgets vides.
La dimension peut être appliquée à toutes les stratégies comme suit :
- Avec la même propriété : les recommandations doivent avoir certaines propriétés en commun avec l’article affiché.
- Avec différentes propriétés : les recommandations ne doivent pas avoir certaines propriétés spécifiques en commun avec l’article affiché.
-
Dans la même catégorie : les articles recommandés doivent correspondre aux mêmes catégories ou à la catégorie parente de l’article affiché.
- Même catégorie : seuls les produits ayant exactement la même catégorie dans le flux de produits sont recommandés. Ainsi, par exemple, si les catégories de produits affichées sont « hommes|hauts|chemises », seuls les produits correspondant à « hommes|hauts|chemises » sont affichés. Un produit appartenant aux catégories « hommes|hauts|vestes » ne sera pas pris en compte.
- Même catégorie parentale : les produits recommandés ont les mêmes catégories que le produit consulté, exception faite de la dernière catégorie de la liste. Ainsi, par exemple, pour un produit consulté de la catégorie « hommes|hauts|chemises », des produits de la catégorie « hommes|hauts|vestes » peuvent être recommandés.
Copier les stratégies entre les sites
Vous pouvez copier une stratégie sur un autre site dans le même compte. La stratégie copiée n’est pas liée à la stratégie originale. Toute campagne de recommandation utilisant la stratégie originale n’est pas copiée ou affectée de quelque manière que ce soit. Pour copier vos campagnes de recommandation sur un autre site, consultez l’article Copier les campagnes entre les sites.
- Accédez à Assets (Ressources) › Strategies (Stratégies) et cliquez sur l’icône d’action
. Sélectionnez Copy to Another Site (Copier vers un autre site).
- Vérifiez le ou les sites cibles. Les sites partageant la même verticale et la même plate-forme que le site actuel sont disponibles pour une copie.
- Cliquez sur Copy to Site (Copier sur le site).
FAQ
Pourquoi les données de stratégie dans le rapport Strategy semblent-elles différentes des données de variation dans les rapports Experiment, pour les variations présentant la même stratégie ?
Les rapports Strategy et les rapports Experiment offrent deux perspectives différentes sur les données de recommandation, et peuvent parfois présenter des incohérences.
Cela peut s’expliquer par trois différences :
-
Les stratégies peuvent être utilisées par plusieurs variations
Le rapport Strategy suit les interactions et les résultats de la stratégie, indépendamment de la campagne, l’expérience ou la variation qui pourrait l’appliquer. Si la même stratégie est utilisée par des variations dans différentes expériences, chaque rapport Experiment ne contiendra que des données pertinentes pour cette variation, tandis que le rapport Strategy examinera la stratégie dans son ensemble, sans tenir compte de la variation qui l’a appliquée. -
Les deux rapports suivent différentes entités
Les rapports Strategy suivent les rendus des stratégies, quelles que soient les variations les appliquant. Les rapports Experiment suivent les rendus des variations. -
Les deux rapports sont basés sur une logique d’attribution différente
Les rapports Srategy attribuent des revenus à une stratégie uniquement après avoir cliqué sur un article recommandé (voir ci-dessus pour les définitions des revenus directs et assistés). Les rapports Experiment attribuent des revenus en fonction des paramètres d’attribution que vous avez définis.
Ce tableau résume la façon dont les mêmes métriques sont calculées pour les deux rapports :
Rapport Strategy | Résultats Experiment | |
---|---|---|
Impressions | Compte les rendus de la stratégie | Compte les rendus de la variation |
Clics | Compte les clics sur les articles recommandés par la stratégie | Compte les clics sur n’importe quelle partie du html injecté |
Revenus | Sur la base des revenus de l’article réalisés après un clic sur l’article recommandé. | Sur la base du paramètre d’attribution de l’expérience. Par ex. : avec une attribution commençant après « La variation est servie », tous les achats et leurs revenus seront attribués à la variation, indépendamment d’un clic sur l’article recommandé. |
Que se passe-t-il si j’épingle un article en rupture de stock ? Ou, si j’épingle deux emplacements avec des SKU du même groupID ?
Nous affichons les articles même s’ils sont en rupture de stock ou s’ils ont des SKU du même groupID.
Que se passe-t-il si je crée un filtre qui n’inclut que les articles en rupture de stock ?
Aucun article ne sera affiché.
Y a-t-il une limite au nombre d’articles Vus récemment qu’une stratégie renverra ?
Notre stratégie Vus récemment ne retournera qu’un maximum de 30 produits, en raison du fait que le point de terminaison sur lequel s’appuie Vus récemment ne stocke que les 30 produits les plus récents que l’ID d’un utilisateur a consultés.